卫星首次自主“发现”目标：边缘AI如何重塑太空感知

背景

长期以来，地球观测卫星的数据处理模式高度依赖地面站。卫星在轨道上拍摄大量图像和数据后，将其传回地球，由地面分析师利用机器学习算法或肉眼进行解读。这种“先下载、后分析”的模式虽然成熟，但面临数据洪流带来的带宽瓶颈和处理延迟。

随着人工智能技术的发展，特别是视觉语言模型（Vision-Language Models, VLMs）在边缘计算领域的突破，太空基础设施公司 Loft Orbital 与 NASA 喷气推进实验室（JPL）合作，在 Yam-9 卫星上部署了由 Google DeepMind 提供的 Gemma 3 模型。这一里程碑事件发生在今年4月，标志着人类首次在地外轨道上成功运行视觉语言模型，实现了卫星对特定目标的自主识别，无需地面分析师介入。

核心内容

此次演示的核心在于将大语言模型的上下文理解能力与图像分析能力相结合，并使其能够在资源受限的太空硬件上运行。

1. 技术实现与模型部署 Yam-9 卫星由太空基础设施公司 Loft Orbital 建造，搭载了 NASA JPL 开发的软件包 NAVI-Orbital。该软件包作为“ harness ”（适配层），成功运行了 Google DeepMind 的 Gemma 3 视觉语言模型。Gemma 3 是专为边缘应用设计的模型，旨在数据中心之外、硬件资源有限的环境中运行。

为了适应太空环境，JPL 的技术负责人 Juan Delfa Victoria 带领团队对软件进行了深度优化，精简了所需的库文件和内存占用，以确保模型能在卫星有限的算力下稳定工作。Yam-9 卫星配备了 Nvidia Jetson Orrin AGX GPU，这是目前太空计算领域领先的芯片之一。

2. 自主识别能力 在演示中，研究人员通过自然语言查询向卫星提问，卫星能够自主识别感兴趣的目标区域。例如，模型成功分类了自然环境与人类开发区域交界处的传感器数据，并识别出了铁路枢纽周围的基础设施。这证明了 VLM 不仅能“看”，还能理解图像背后的语义逻辑。

3. 商业与运营模式 Loft Orbital 的业务模式更接近“基础设施即服务”（Infrastructure-as-a-Service），而非传统的卫星制造。其近期与 EarthDaily 达成的一笔交易显示，该公司为 EarthDaily 建造、发射并运营了六颗新卫星，由 EarthDaily 分析并利用卫星收集的数据进行市场化运作。Yam-9 于2025年秋季发射，作为 Loft 轨道 AI 项目的先驱，旨在验证其技术路线。

4. 行业趋势与未来规划 虽然这是首次公开报道的轨道 VLM 应用，但其他公司也在跟进。Planet Labs 的卫星已搭载 Jetson Orin 处理器，目前用于简单的目标检测，但正在研究包括 VLM 在内的其他 AI 应用。Kepler Communications 运营着最大的太空 GPU 集群，虽因保密协议未透露具体细节，但确认已存在多个未公开的算力用例。

Loft 的 AI 负责人 Paul Lasserre 表示，目标是构建一个由50到100颗类似 Yam-9 的卫星组成的星座，以实现地球任何地点的实时覆盖。目前 Loft 在轨运营的卫星数量为12颗。

关键要点

• 首次轨道 VLM 应用：2024年4月，Yam-9 卫星成功在轨运行 Google DeepMind 的 Gemma 3 视觉语言模型，实现了无需地面干预的自主目标发现。
• 边缘计算突破：Gemma 3 专为边缘应用设计，JPL 通过 NAVI-Orbital 软件包对其进行了轻量化改造，使其能在 Nvidia Jetson Orrin AGX GPU 等有限硬件上运行。
• 自然语言交互：卫星能够响应自然语言查询，执行如“识别铁路枢纽基础设施”或“监测边境异常”等复杂逻辑任务，实现了从“被动传数据”到“主动交互”的转变。
• 数据减负与效率提升：在轨进行初步数据筛选（triage），可大幅减少传回地面的原始数据量，提高分析师的工作效率。
• 长期愿景：Loft Orbital 计划部署50-100颗卫星构建星座，实现全球实时覆盖，并为未来在太空运行更大规模的 AI 基础设施积累关于电力和内存管理的经验。
• 潜在科学应用：该技术最初源于 NASA JPL 研究员 Taran Cyriac John 的想法，旨在为月球或火星探索者提供类似电影中的交互式 AI 助手，帮助宇航员在无法使用键盘的情况下通过语音交互完成复杂任务。

意义与影响

1. 改变太空传感器的价值逻辑 传统卫星的价值主要在于其成像能力和数据吞吐量。引入 VLM 后，卫星的价值将转向其“认知”能力。通过“始终在线”的巡逻层，卫星可以像智能监控摄像头一样，仅在检测到异常或符合特定条件时才触发警报或上传关键数据，从而极大提升数据的信噪比和实用价值。

2. 推动太空计算基础设施标准化 此次演示证明了在轨运行大型 AI 模型的可行性。随着更多公司（如 Planet Labs、Kepler Communications）跟进，太空中的算力架构将逐渐标准化。这将促使业界更加关注太空环境下的关键工程挑战，如功耗管理、内存优化和热控制，为未来更复杂的太空 AI 应用奠定基础。

3. 拓展深空探索的可能性 Yam-9 的技术原型 NAVI-Space 最初是为宇航员设计的数字助手。在月球或火星等通信延迟严重的环境中，具备自然语言理解能力的 AI 助手可以显著提升宇航员的操作效率和安全性，使其能够以自然交互的方式获取信息或执行指令，而无需依赖繁琐的键盘输入。

4. 开启“智能星座”时代 Paul Lasserre 提到的“逻辑交互”意味着未来的卫星星座不再是孤立的数据采集器，而是一个具备协同能力的智能网络。卫星之间、卫星与地面之间可以进行更复杂的对话和任务分配，从而实现真正的自主太空探索与监测。

尽管技术前景广阔，但正如文章结尾幽默提醒的那样，我们期待的是实用的“贾维斯”式助手，而非《2001太空漫游》中失控的 HAL 9000。确保 AI 在太空中的安全、可控与可靠，将是这一技术演进过程中不可忽视的关键课题。